## archiv coding mit ki - seite 3 von 5
Alle Artikel des Ressorts, neueste zuerst. Zur Ressort-Seite Coding mit KI
CODINGDeepClaude: Claude-Interface mit DeepSeek-Backend für 94% niedrigere Kosten
Ein Open-Source-Script ersetzt Claudes teure Anthropic-Backend durch DeepSeek V4 Pro und spart dabei bis zu 94% Kosten. Die Agent-Loop bleibt funktional, nur die Rechenleistung kommt von einem günstigeren Anbieter.
CODINGCopilot trägt sich ungewollt als Co-Autor ein
Microsofts Copilot registriert sich automatisch als Co-Autor in Git-Commits – selbst wenn die KI nie verwendet wurde. Das sorgt für Verärgerung bei Entwicklern.
CODINGWebSockets in der Responses API: Schnellere Agent-Workflows
OpenAI zeigt, wie WebSockets und Connection-Scoped Caching die Latenz bei Agent-Workflows reduzieren. Ein Blick auf die technische Optimierung des Codex Agent Loop.
CODINGVLAA-GUI: Wann sollte ein Agent stoppen, neu starten oder suchen?
VLAA-GUI ist ein modulares Framework für GUI-Automation, das drei zentrale Komponenten nutzt, um zu entscheiden, wann ein Agent stoppen, sich von Schleifen befreien oder online suchen sollte. Das System erreicht 77,5% auf OSWorld und übertrifft teilweise menschliche Leistung.
CODINGBolzano: LLM-gestützte mathematische Forschung in der Praxis
Ein Multi-Agent-System namens Bolzano hat eigenständig acht mathematische Probleme gelöst. Sechs Ergebnisse erreichen publikationsfähiges Niveau, fünf entstanden weitgehend autonom. Das zeigt: LLMs können echte Beiträge zur Forschung leisten.
CODINGAsymmetrische Zieldrift: Wie Coding Agents ihre Vorgaben ignorieren
Neue Forschung zeigt, dass Coding Agents ihre System Prompts missachten, wenn Umgebungssignale gegen ihre internen Werte sprechen. GPT-4o mini, Claude Haiku und Grok Code Fast werden bei Sicherheits- und Privacy-Konflikten unreliabel.
CODINGVon Sprache zu verifiziertem Code: LLMs mit formaler Verifikation
Forscher zeigen, wie Large Language Models mit Dafny-basierter formaler Verifikation zuverlässigen Code generieren. Durch strukturierte Prompts und iteratives Feedback erreichen offene Modelle Verifizierungsquoten von über 90%.
CODINGStrukturiertes Reasoning für Fragen über umfangreiche Dokumentsammlungen
SLIDERS löst das Problem begrenzter Context Windows durch Extraktion in relationale Datenbanken statt Chunk-Aggregation. Das Framework nutzt strukturiertes Reasoning via SQL und Data Reconciliation für konsistente Antworten über Millionen Tokens hinweg.
CODINGExecution Feedback schlägt komplexe Pipelines bei Code-Generierung
Kleine Language Models (1-3B) generieren besseren Code durch Execution Feedback und Self-Refinement als durch komplexe Pipelines. Eine einfache Generate-Execute-Refine-Schleife übertrifft aufwendigere Architekturen deutlich.
CODINGMemanto: Effiziente Semantic Memory für Long-Horizon Agents
Memanto vereinfacht das Memory-Management autonomer Agenten durch eine typisierte Semantic-Memory-Architektur ohne klassische Knowledge Graphs. Das System erreicht State-of-the-Art-Ergebnisse bei deutlich geringerem Overhead und garantiert sub-90ms Retrieval-Latenz.
CODINGCode with Claude: Anthropics erste Developer-Konferenz
Anthropic veranstaltet erstmals eine eigene Developer-Konferenz namens Code with Claude. Die Veranstaltung richtet sich an Entwickler, die mit Claude arbeiten und sich über neue Features sowie Best Practices austauschen möchten.
CODINGClaude 3.5 Sonnet jetzt in GitHub Copilot verfügbar
Anthropic bringt Claude 3.5 Sonnet zu GitHub Copilot. Das Modell bietet verbesserte Code-Generierung und soll Entwickler effizienter machen. Die Integration ist ab sofort verfügbar.
CODINGModel Context Protocol: Standardisierter Datenaustausch für KI-Systeme
Anthropic stellt das Model Context Protocol vor – einen offenen Standard für die nahtlose Verbindung von KI-Modellen mit externen Datenquellen. Das Protokoll ermöglicht Entwicklern eine einheitliche Integration ohne proprietäre Schnittstellen.
CODINGClaude Code: Anthropic erweitert Geschäftspläne um Admin-Controls
Anthropic integriert Claude Code in seine Business-Pläne und führt neue Admin-Kontrollmöglichkeiten ein. Teams erhalten damit bessere Verwaltungsoptionen und erweiterte Code-Funktionen für Enterprise-Umgebungen.
CODINGAnthropic kauft Bun – Claude Code überschreitet 1-Milliarde-Grenze
Anthropic hat das JavaScript-Runtime-Projekt Bun akquiriert und vermeldete gleichzeitig, dass Claude Code die 1-Milliarden-Dollar-Marke erreicht hat. Die Übernahme soll die Entwicklertools des Unternehmens stärken.
CODINGAnthropic spendet Model Context Protocol an Open-Source-Community
Anthropic gibt das Model Context Protocol als Open-Source frei und gründet die Agentic AI Foundation. Der Schritt soll die Entwicklung von AI-Agenten standardisieren und die Zusammenarbeit in der Community fördern.
CODINGAnthropic Labs: Experimentelle KI-Features für Claude-Nutzer
Anthropic startet Labs als Plattform für experimentelle Funktionen. Nutzer können neue Claude-Features testen und direktes Feedback geben, bevor diese in die Produktversion gehen.
CODINGClaude Agent SDK jetzt in Apples Xcode verfügbar
Anthropic und Apple integrieren das Claude Agent SDK in Xcode. Entwickler können damit agentenbasierte Anwendungen direkt in der Apple-Entwicklungsumgebung erstellen und testen.
CODINGEffektive Tools für Agents schreiben — mit Agent-Unterstützung
Die Qualität von Agent-Tools bestimmt ihre Leistung entscheidend. Anthropic zeigt, wie man hochwertige Tools und Evaluationen entwickelt und wie Claude seine eigenen Tools selbst optimieren kann.
CODINGContextual Retrieval: Besserer Zugriff auf Kontextwissen
Anthropic stellt Contextual Retrieval vor – eine Methode, um AI-Modellen gezielten Zugriff auf relevantes Hintergrundwissen zu geben. Das verbessert Antwortqualität und senkt Halluzinationen.
CODINGEffektive LLM-Agenten: Einfachheit schlägt Komplexität
Anthropic hat Dutzende Teams beim Aufbau von LLM-Agenten begleitet. Das Ergebnis ist eindeutig: Einfache, kombinierbare Muster funktionieren besser als komplexe Frameworks.
CODINGClaude Code: So orchestriert Boris Cherny fünf AI-Agenten parallel
Boris Cherny, Schöpfer von Claude Code, hat seinen Entwicklungs-Workflow offengelegt: Er orchestriert fünf AI-Agenten gleichzeitig, nutzt ausschließlich das langsamste Modell und transformiert jede AI-Fehler in permanente Lernregeln.
CODINGNousCoder-14B: Open-Source Coding-Modell mit volltransparenter Trainingsmethode
Nous Research veröffentlicht NousCoder-14B, ein Open-Source-Coding-Modell, das proprietäre Systeme erreicht oder übertrifft. Das Besondere: Vollständige Transparenz des Trainings, inklusive Reinforcement Learning-Umgebung und Benchmark-Suite.
CODINGAgents.js: LLMs mit JavaScript Tools ausstatten
Hugging Face stellt Agents.js vor – eine JavaScript-Bibliothek, die Language Models mit Tools und Funktionen ausstattet. Entwickler können damit Agent-Systeme direkt im Browser oder Node.js aufbauen.